LLVM ನ ಸ್ಥಾಪಕ ಮತ್ತು ಮುಖ್ಯ ವಾಸ್ತುಶಿಲ್ಪಿ ಮತ್ತು ಸ್ವಿಫ್ಟ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯ ಸೃಷ್ಟಿಕರ್ತ ಕ್ರಿಸ್ ಲ್ಯಾಟ್ನರ್ ಮತ್ತು Tensorflow ಮತ್ತು JAX ನಂತಹ Google AI ಯೋಜನೆಗಳ ಮಾಜಿ ಮುಖ್ಯಸ್ಥ ಟಿಮ್ ಡೇವಿಸ್, ಹೊಸ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆ, Mojo ಅನ್ನು ಪರಿಚಯಿಸಿದರು, ಇದು ಸಂಶೋಧನೆಯ ಅಭಿವೃದ್ಧಿಗೆ ಸುಲಭವಾದ ಬಳಕೆಯನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತಿಮ ಉತ್ಪನ್ನಗಳನ್ನು ರೂಪಿಸುವ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ತ್ವರಿತ ಮೂಲಮಾದರಿ. ಮೊದಲನೆಯದನ್ನು ಪೈಥಾನ್ ಭಾಷೆಯ ಪರಿಚಿತ ಸಿಂಟ್ಯಾಕ್ಸ್‌ನ ಬಳಕೆಯಿಂದ ಸಾಧಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಎರಡನೆಯದು ಯಂತ್ರದ ಕೋಡ್, ಮೆಮೊರಿ-ಸುರಕ್ಷಿತ ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್ ವೇಗವರ್ಧಕ ಸಾಧನಗಳ ಬಳಕೆಗೆ ಕಂಪೈಲ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯದ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ.
ಈ ಯೋಜನೆಯು ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಗಾಗಿ ಬಳಕೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ, ಆದರೆ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಭಾಷೆಯಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಇದು ಸಿಸ್ಟಮ್ಸ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಕರಗಳೊಂದಿಗೆ ಪೈಥಾನ್‌ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ ಮತ್ತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಕಾರ್ಯಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕಂಪ್ಯೂಟಿಂಗ್, ಡೇಟಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ರೂಪಾಂತರದಂತಹ ಕ್ಷೇತ್ರಗಳಿಗೆ ಭಾಷೆ ಅನ್ವಯಿಸುತ್ತದೆ. ".mojo" ಪಠ್ಯ ವಿಸ್ತರಣೆಯ ಜೊತೆಗೆ ಕೋಡ್ ಫೈಲ್‌ಗಳಿಗೆ (ಉದಾಹರಣೆಗೆ, "helloworld.🔥") ವಿಸ್ತರಣೆಯಾಗಿ "🔥" ಎಮೋಜಿ ಅಕ್ಷರವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವ ಸಾಮರ್ಥ್ಯ ಮೋಜೋದ ಆಸಕ್ತಿದಾಯಕ ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ.
ಪ್ರಸ್ತುತ, ಭಾಷೆಯು ತೀವ್ರವಾದ ಅಭಿವೃದ್ಧಿಯ ಹಂತದಲ್ಲಿದೆ ಮತ್ತು ಪರೀಕ್ಷೆಗಾಗಿ ಆನ್‌ಲೈನ್ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಮಾತ್ರ ನೀಡಲಾಗುತ್ತದೆ. ಸಂವಾದಾತ್ಮಕ ವೆಬ್ ಪರಿಸರದ ಕಾರ್ಯಾಚರಣೆಯ ಕುರಿತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ವೀಕರಿಸಿದ ನಂತರ ಸ್ಥಳೀಯ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಚಾಲನೆಯಲ್ಲಿರುವ ಪ್ರತ್ಯೇಕ ಅಸೆಂಬ್ಲಿಗಳನ್ನು ನಂತರ ಪ್ರಕಟಿಸಲಾಗುವುದು ಎಂದು ಭರವಸೆ ನೀಡಲಾಗುತ್ತದೆ. ಆಂತರಿಕ ಆರ್ಕಿಟೆಕ್ಚರ್ ಪೂರ್ಣಗೊಂಡ ನಂತರ ಕಂಪೈಲರ್, JIT ಮತ್ತು ಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದ ಇತರ ಬೆಳವಣಿಗೆಗಳ ಮೂಲ ಕೋಡ್ ಅನ್ನು ತೆರೆಯಲು ಯೋಜಿಸಲಾಗಿದೆ (ಮುಚ್ಚಿದ ಬಾಗಿಲುಗಳ ಹಿಂದೆ ಕೆಲಸ ಮಾಡುವ ಮೂಲಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮಾದರಿಯು LLVM, ಕ್ಲಾಂಗ್ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯ ಆರಂಭಿಕ ಹಂತವನ್ನು ನೆನಪಿಸುತ್ತದೆ. ಸ್ವಿಫ್ಟ್). Mojo ಸಿಂಟ್ಯಾಕ್ಸ್ ಪೈಥಾನ್ ಭಾಷೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿರುವುದರಿಂದ ಮತ್ತು ಪ್ರಕಾರದ ವ್ಯವಸ್ಥೆಯು C/C++ ಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ, ಭವಿಷ್ಯದಲ್ಲಿ ಅವರು C/C++ ಮತ್ತು ಪೈಥಾನ್‌ನಲ್ಲಿ Mojo ನಲ್ಲಿ ಬರೆಯಲಾದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಯೋಜನೆಗಳ ಅನುವಾದವನ್ನು ಸರಳಗೊಳಿಸುವ ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಯೋಜಿಸಿದ್ದಾರೆ. ಪೈಥಾನ್ ಕೋಡ್ ಮತ್ತು ಮೊಜೊವನ್ನು ಸಂಯೋಜಿಸುವ ಹೈಬ್ರಿಡ್ ಯೋಜನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು.
ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ವೈವಿಧ್ಯಮಯ ವ್ಯವಸ್ಥೆಗಳ ಲಭ್ಯವಿರುವ ಹಾರ್ಡ್‌ವೇರ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಯೋಜನೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, GPUಗಳು, ವಿಶೇಷ ಯಂತ್ರ ಕಲಿಕೆ ವೇಗವರ್ಧಕಗಳು ಮತ್ತು ಪ್ರೊಸೆಸರ್ ಸೂಚನಾ ವೆಕ್ಟರ್‌ಗಳನ್ನು (SIMD) ಮೊಜೊ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಚಲಾಯಿಸಲು ಮತ್ತು ಗಣನೆಗಳನ್ನು ಸಮಾನಾಂತರಗೊಳಿಸಲು ಬಳಸಬಹುದು. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ CPython ಆಪ್ಟಿಮೈಸೇಶನ್ ಕಾರ್ಯಕ್ಕೆ ಸೇರುವ ಬದಲು ಪೈಥಾನ್ ಭಾಷೆಯ ಪ್ರತ್ಯೇಕ ಉಪವಿಭಾಗವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನೀಡಲಾದ ಕಾರಣಗಳು ಸಂಕಲನ, ಸಿಸ್ಟಮ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳ ಏಕೀಕರಣ ಮತ್ತು GPU ಗಳಲ್ಲಿ ಕೋಡ್ ಚಲಾಯಿಸಲು ಅನುಮತಿಸುವ ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನ ಆಂತರಿಕ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಯಂತ್ರಾಂಶ ವೇಗವರ್ಧಕಗಳು. ಆದಾಗ್ಯೂ, Mojo ಡೆವಲಪರ್‌ಗಳು ಸಾಧ್ಯವಾದಷ್ಟು CPython ನೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಉದ್ದೇಶಿಸಿದ್ದಾರೆ.
ಮೊಜೊವನ್ನು JIT ಬಳಸಿಕೊಂಡು ಇಂಟರ್ಪ್ರಿಟೇಶನ್ ಮೋಡ್‌ನಲ್ಲಿ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಫೈಲ್‌ಗಳಾಗಿ ಸಂಕಲನಕ್ಕಾಗಿ ಬಳಸಬಹುದು (AOT, ಸಮಯಕ್ಕೆ ಮುಂಚಿತವಾಗಿ). ಕಂಪೈಲರ್ ಸ್ವಯಂಚಾಲಿತ ಆಪ್ಟಿಮೈಸೇಶನ್, ಕ್ಯಾಶಿಂಗ್ ಮತ್ತು ವಿತರಣೆ ಸಂಕಲನಕ್ಕಾಗಿ ಆಧುನಿಕ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಅಂತರ್ನಿರ್ಮಿತ ಹೊಂದಿದೆ. ಮೊಜೊ ಭಾಷೆಯಲ್ಲಿನ ಮೂಲ ಪಠ್ಯಗಳನ್ನು ಕಡಿಮೆ-ಮಟ್ಟದ ಮಧ್ಯಂತರ ಕೋಡ್ MLIR (ಮಲ್ಟಿ-ಲೆವೆಲ್ ಇಂಟರ್ಮೀಡಿಯೇಟ್ ಪ್ರಾತಿನಿಧ್ಯ) ಆಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ, LLVM ಯೋಜನೆಯಿಂದ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಡೇಟಾ ಹರಿವಿನ ಗ್ರಾಫ್‌ನ ಸಂಸ್ಕರಣೆಯನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಹೆಚ್ಚುವರಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಮೆಷಿನ್ ಕೋಡ್ ಅನ್ನು ರಚಿಸಲು MLIR ಅನ್ನು ಬೆಂಬಲಿಸುವ ವಿವಿಧ ಬ್ಯಾಕೆಂಡ್‌ಗಳನ್ನು ಬಳಸಲು ಕಂಪೈಲರ್ ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ವೇಗಗೊಳಿಸಲು ಹೆಚ್ಚುವರಿ ಹಾರ್ಡ್‌ವೇರ್ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬಳಸುವುದರಿಂದ ತೀವ್ರವಾದ ಲೆಕ್ಕಾಚಾರಗಳ ಸಮಯದಲ್ಲಿ C/C++ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಿಂತ ಉತ್ತಮವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಮ್ಯಾಂಡೆಲ್‌ಬ್ರೋಟ್ ಸೆಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವಾಗ, AWS ಕ್ಲೌಡ್‌ನಲ್ಲಿ (r7iz.metal-16xl) ಕಾರ್ಯಗತಗೊಳಿಸಿದಾಗ ಮೊಜೊ ಭಾಷೆಯಲ್ಲಿ ಸಂಕಲಿಸಿದ ಅಪ್ಲಿಕೇಶನ್ C++ (6 ಸೆಕೆಂಡ್ ವಿರುದ್ಧವಾಗಿ) ಅನುಷ್ಠಾನಕ್ಕಿಂತ 0.03 ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ. . 0.20 ಸೆಕೆಂಡ್.), ಮತ್ತು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಸಿಪಿಥಾನ್ 35 (3.10.9 ಸೆಕೆಂಡ್ ವಿರುದ್ಧ 0.03 ಸೆಕೆಂಡ್) ಬಳಸುವಾಗ ಪೈಥಾನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಿಂತ 1027 ಸಾವಿರ ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ ಮತ್ತು PYPY ಬಳಸುವಾಗ 1500 ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ (0.03 ಸೆಕೆಂಡ್ ವಿರುದ್ಧ 46.1)XNUMX. .
ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸುವಾಗ, ಟೆನ್ಸರ್‌ಫ್ಲೋ ಲೈಬ್ರರಿಯನ್ನು ಆಧರಿಸಿದ ಪರಿಹಾರಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಮೊಜೊ ಭಾಷೆಯಲ್ಲಿ ಬರೆಯಲಾದ ಎಐ ಸ್ಟಾಕ್ ಮಾಡ್ಯುಲರ್ ಇನ್ಫರೆನ್ಸ್ ಎಂಜಿನ್, ಸಿಸ್ಟಂನಲ್ಲಿ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ 3 ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ. ಇಂಟೆಲ್ ಪ್ರೊಸೆಸರ್, ಶಿಫಾರಸಿನ ಉತ್ಪಾದನೆಯ ಮಾದರಿಯ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ 6.4 ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ ಮತ್ತು ದೃಶ್ಯ ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ 2.1 ಪಟ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ. ಎಎಮ್‌ಡಿ ಪ್ರೊಸೆಸರ್‌ಗಳನ್ನು ಬಳಸುವಾಗ, ಮೊಜೊವನ್ನು ಬಳಸುವಾಗ ಲಾಭಗಳು 3.2, 5 ಮತ್ತು 2.2 ಪಟ್ಟು, ಮತ್ತು ARM ಪ್ರೊಸೆಸರ್‌ಗಳನ್ನು ಬಳಸುವಾಗ - ಕ್ರಮವಾಗಿ 5.3, 7.5 ಮತ್ತು 1.7 ಬಾರಿ. PyTorch-ಆಧಾರಿತ ಪರಿಹಾರವು ಇಂಟೆಲ್ CPU ಗಳಲ್ಲಿ 1.4, 1.1 ಮತ್ತು 1.5 ಪಟ್ಟು, AMD CPU ಗಳಲ್ಲಿ 2.1, 1.2 ಮತ್ತು 1.5 ಪಟ್ಟು ಮತ್ತು ARM CPU ಗಳಲ್ಲಿ 4, 4.3 ಮತ್ತು 1.3 ಪಟ್ಟು ಹಿಂದುಳಿದಿದೆ.
ಭಾಷೆ ಸ್ಥಿರ ಟೈಪಿಂಗ್ ಮತ್ತು ರಸ್ಟ್ ಅನ್ನು ನೆನಪಿಸುವ ಕಡಿಮೆ-ಹಂತದ ಮೆಮೊರಿ-ಸುರಕ್ಷಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಉಲ್ಲೇಖ ಜೀವಿತಾವಧಿಯ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಸಾಲ ಪರೀಕ್ಷಕ. ಪಾಯಿಂಟರ್‌ಗಳೊಂದಿಗೆ ಸುರಕ್ಷಿತ ಕೆಲಸಕ್ಕಾಗಿ ಸೌಲಭ್ಯಗಳ ಜೊತೆಗೆ, ಭಾಷೆಯು ಕಡಿಮೆ ಮಟ್ಟದ ಕೆಲಸಕ್ಕಾಗಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಪಾಯಿಂಟರ್ ಪ್ರಕಾರವನ್ನು ಬಳಸಿಕೊಂಡು ಅಸುರಕ್ಷಿತ ಮೋಡ್‌ನಲ್ಲಿ ಮೆಮೊರಿಗೆ ನೇರ ಪ್ರವೇಶ, ವೈಯಕ್ತಿಕ SIMD ಸೂಚನೆಗಳನ್ನು ಕರೆಯುವುದು ಅಥವಾ ಟೆನ್ಸಾರ್‌ಕೋರ್ಸ್ ಮತ್ತು AMX ನಂತಹ ಹಾರ್ಡ್‌ವೇರ್ ವಿಸ್ತರಣೆಗಳನ್ನು ಪ್ರವೇಶಿಸುವುದು .
ಎಲ್ಲಾ ವೇರಿಯೇಬಲ್‌ಗಳಿಗೆ ಸ್ಪಷ್ಟ ಪ್ರಕಾರದ ವ್ಯಾಖ್ಯಾನಗಳೊಂದಿಗೆ ಕಾರ್ಯಗಳಿಗಾಗಿ ಕ್ಲಾಸಿಕ್ ಮತ್ತು ಆಪ್ಟಿಮೈಸ್ಡ್ ಪೈಥಾನ್ ಕೋಡ್‌ನ ಪ್ರತ್ಯೇಕತೆಯನ್ನು ಸರಳಗೊಳಿಸಲು, "ಡೆಫ್" ಬದಲಿಗೆ "ಎಫ್‌ಎನ್" ಎಂಬ ಪ್ರತ್ಯೇಕ ಕೀವರ್ಡ್ ಅನ್ನು ಬಳಸಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ. ಅಂತೆಯೇ ತರಗತಿಗಳಿಗೆ, ನೀವು ಸಂಕಲನದ ಸಮಯದಲ್ಲಿ (C ನಲ್ಲಿರುವಂತೆ) ಮೆಮೊರಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಸ್ಥಿರವಾಗಿ ಪ್ಯಾಕ್ ಮಾಡಬೇಕಾದರೆ, ನೀವು "ವರ್ಗ" ಬದಲಿಗೆ "struct" ಪ್ರಕಾರವನ್ನು ಬಳಸಬಹುದು. C/C++ ಭಾಷೆಗಳಲ್ಲಿ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಸರಳವಾಗಿ ಆಮದು ಮಾಡಿಕೊಳ್ಳಲು ಸಹ ಸಾಧ್ಯವಿದೆ, ಉದಾಹರಣೆಗೆ, ಗಣಿತ ಗ್ರಂಥಾಲಯದಿಂದ cos ಕಾರ್ಯವನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಲು, ನೀವು "math.h" ಇಂಪೋರ್ಟ್ cos ನಿಂದ" ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಬಹುದು.
ಮೂಲ: opennet.ru